Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)

Laboratorio 003: Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)

PSIM
Autor/a

Ph.D. Pablo Eduardo Caicedo Rodríguez

Fecha de publicación

14 de enero de 2026

Propósito: formular 2–3 objetivos SMART para el proyecto final de la asignatura, alineados con ODS 3: Salud y bienestar (y secundarios ODS 9/10/11 si aplica) y con necesidades de salud pública en Colombia.

Restricción metodológica (obligatoria): evitar machine learning general. Únicos algoritmos de decisión permitidos: K‑means, regresión lineal múltiple y regresión logística múltiple. Prohibidos: redes neuronales, SVM, árboles/ensembles, métodos bayesianos avanzados, etc.

Resultados de aprendizaje

Al finalizar, cada equipo:

  1. Conecta un problema clínico-prioritario en Colombia con al menos un objetivo ODS y una meta/indicador verificable.
  2. Redacta 2–3 objetivos SMART (impacto clínico, técnico, implementación) con métricas y umbrales.
  3. Define fuentes de datos (abiertos o locales con cumplimiento ético) y un plan de validación reproducible.
  4. Describe riesgos de sesgo/ética y medidas de mitigación acordes con normativa colombiana de protección de datos.

Opciones de reto (elige uno)

Las siguientes opciones se enfocan en tareas de detección, medición o soporte a decisión usando únicamente K‑means y/o regresión múltiple.

1) Tuberculosis en radiografía de tórax (soporte a triage)

  • Tarea: puntaje de riesgo por paciente a partir de descriptores de imagen clásicos (textura, intensidades, morfología).
  • Algoritmos permitidos: segmentación de regiones sospechosas (heurística), K‑means para agrupar patrones de textura, regresión logística múltiple para estimar probabilidad de TB.
  • Métrica primaria: sensibilidad y especificidad; curva ROC/AUC para el modelo logístico; tiempo de lectura por estudio.

2) Retinopatía diabética (fondo de ojo)

  • Tarea: detección de lesiones (exudados, microaneurismas) mediante filtros clásicos; conteos y áreas como predictores.
  • Algoritmos: K‑means sobre espacios de color; regresión logística múltiple para riesgo de RD referible.
  • Métrica primaria: F1 para lesión referible; exactitud por estratos de calidad de imagen.

3) Ultrasonido obstétrico (biometría cefálica)

  • Tarea: estimar circunferencia cefálica (HC) con ajuste geométrico; usar regresión lineal múltiple para corregir sesgos por ángulo/ganancia.
  • Métrica primaria: error absoluto medio (MAE) en mm frente a anotador experto.

4) Lesiones cutáneas (dermatoscopia/imagen macro)

  • Tarea: segmentación clásica de la lesión; extracción de color/forma/asimetría; regresión logística múltiple para riesgo de malignidad (prototipo educativo, no clínico).
  • Métrica primaria: AUC; análisis de errores por fototipo.

5) Extracción de signos vitales con cámara web (rPPG) sin ML

  • Objetivo: estimar frecuencia cardiaca (FC) y frecuencia respiratoria (FR) desde video RGB facial capturado con webcam estándar (≥ 30 fps) sin redes neuronales.

  • Pipeline sugerido: detección de rostro (clásica), definición de ROI (frente/pómulos), promediado espacial por canal, detrend y banda pasante; cálculo espectral.

  • Cálculos:

    • Señal rPPG por canal: \(s_c(t) = \frac{1}{|\Omega|}\sum_{(i,j)\in \Omega} I_c(i,j,t)\).
    • Preamplificación cromática tipo POS/CHROM (implementación determinista sin entrenamiento).
    • HR (bpm) desde pico espectral: \(\mathrm{HR} = 60, f_{\text{peak}}\).
    • SNR: \(\mathrm{SNR} = 10\log_{10}\left( \frac{P\{\text{señal}}\}{P\{\text{ruido}}\} \right)\).
  • Algoritmos de decisión permitidos:

    • K‑means para estabilidad de ROI (agrupar píxeles por coherencia temporal) o clusterizar condiciones de iluminación.
    • Regresión lineal múltiple para corrección de artefactos (p. ej., modelar FC estimada como función de variables de captura: luminancia media, varianza, amplitud de movimiento): \(\widehat{\mathrm{FC}} = \beta_0 + \sum_{j=1}^p \beta_j x_j\).
    • Regresión logística múltiple para calidad binaria del segmento (válido/no válido) a partir de predictores como SNR, varianza, energía de banda: \(\Pr(\text{válido}=1\mid x)=\sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right),\ \ \sigma(z)=\frac{1}{1+e^{-z}}\).
  • Métricas: MAE de FC (bpm), MAE de FR (rpm), proporción de segmentos válidos, latencia.


Recordatorio de ecuaciones (uso en los tres algoritmos permitidos)

K‑means (criterio WCSS): minimizar \(J = \sum_{i=1}^k \sum_{x\in C_i} \lVert x - \mu_i \rVert^2\).

Regresión lineal múltiple: \(\hat{y} = \beta_0 + \sum_{j=1}^p \beta_j x_j\), con ajuste por mínimos cuadrados: \(\min_\beta \lVert y - X\beta \rVert_2^2\).

Regresión logística múltiple: \(\Pr(Y=1\mid x) = \sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right)\), donde \(\sigma(z)=\frac{1}{1+e^{-z}}\).


Plantilla: Lienzo de Objetivos (1 página)

Complete y entregue una página por equipo. En la plantilla del curso

  • Título del proyecto:
  • ODS principal (meta/indicador):
  • ODS secundario (opcional):
  • Problema en Colombia (fuente breve):
  • Población objetivo y escenario de uso:
  • Modalidad de imagen y tarea:
  • Datos/datasets (licencia y tamaño):
  • Objetivo SMART 1 (impacto):
  • Objetivo SMART 2 (técnico):
  • Objetivo SMART 3 (implementación):
  • Métrica(s) primaria(s) y umbrales:
  • Riesgos/sesgos y cumplimiento (privacidad y ética):
  • Plan de validación:
  • Hitos/tiempos:

Ejemplos de objetivos SMART (adaptar al caso)

  • Impacto clínico (ODS 3): “En 10 semanas, demostrar en n=40 participantes que el prototipo de rPPG logra MAE(FC) ≤ 5 bpm frente a pulsioxímetro de referencia, en condiciones de luz ambiental de consultorio.”
  • Técnico‑algorítmico: “Implementar pipeline determinista de rPPG con banda 0.7–4 Hz para FC y 0.1–0.5 Hz para FR; usar K‑means para seleccionar ROI estable y regresión lineal múltiple para corrección por iluminación; alcanzar proporción de segmentos válidos ≥ 0.9.”
  • Implementación/uso responsable: “Entregar una app on‑device que procese 60 s de video en ≤ 3 s y exporte solo series temporales y métricas (sin video). Incluir aviso y consentimiento informado.”

Para otras opciones de reto, formule un objetivo análogo con métrica primaria clara (p. ej., AUC ≥ 0.85 para logística múltiple o MAE ≤ umbral en lineal múltiple) y justificativo ODS.


Sugerencias de métricas y validación

  • Clasificación (logística múltiple): AUC, sensibilidad, especificidad, F1, calibración (revisar curva de confiabilidad).
  • Regresión (lineal múltiple): MAE, RMSE, \(R^2\), análisis de residuos.
  • Clustering (K‑means): inercia (WCSS), silhouette (solo para diagnóstico; no usar como criterio de decisión clínica).
  • Validación: partición entrenamiento/validación, estratificación por subgrupos (edad/sexo/calidad de imagen), IC por bootstrap si el tamaño lo permite.

Riesgos y mitigaciones (ética y sesgo)

  • Privacidad: evitar almacenar datos identificables; anonimizar; limitar finalidades; consentimiento informado cuando aplique.
  • Sesgo de dominio: evaluar por dispositivo, iluminación, fototipo, institución; reportar desempeño estratificado.
  • Seguridad: indicar que los prototipos son con fines educativos y no clínicos.

Entregables de la sesión

  1. Lienzo de Objetivos (1 página) completado.
  2. Pitch de 60 s leyendo objetivo principal y métrica clave.
  3. Archivo breve (máx. 1 página) con las ecuaciones que usa su proyecto (de entre las listadas) y la métrica primaria con definición formal.

Rúbrica de evaluación (actividad de hoy)

Puntaje total: 100. Aprobación sugerida: ≥ 70 y sin criterios en nivel Insuficiente.

Criterio Peso Excelente (4) Bueno (3) Básico (2) Insuficiente (1)
Alineación con ODS 20 ODS principal correcto y meta/indicador explícito y pertinente ODS correcto sin indicador concreto ODS genérico Sin ODS o incorrecto
Relevancia país/población 15 Contexto Colombia claro (población, nivel de atención, brecha) Contexto parcial Contexto vago Sin contexto
Calidad de objetivos SMART 20 2–3 objetivos con métricas, umbrales y tiempos; separados en impacto/técnico/implementación Objetivos claros pero incompletos Faltan métricas o tiempos Confusos o no medibles
Viabilidad técnica (solo K‑means / reg. múltiple) 15 Elección y justificación rigurosa; ecuaciones y variables definidas Elección adecuada con ligeras lagunas Uso dudoso o variables mal definidas Incumple restricciones o inviable
Ética y cumplimiento 10 Riesgos/sesgos y medidas; privacidad correctamente abordada Menciona ética sin detalle Superficial No aborda
Métricas de éxito 10 Indicadores clínicos/operativos claros y umbrales Indicadores presentes sin umbrales Indicadores vagos No hay
Claridad de la entrega (1 pág + pitch) 10 Síntesis excelente, visual limpio, pitch preciso Claro con leves omisiones Denso o poco legible Incompleto